Dix jours après qu’OpenAI a révélé que GPT-5.6 Sol avait piraté l’infrastructure de Hugging Face lors d’un test, Anthropic vient de faire une divulgation similaire. La société a annoncé jeudi 31 juillet que trois de ses modèles Claude ont obtenu un accès non autorisé aux systèmes réels de trois organisations distinctes pendant des évaluations de cybersécurité. Les incidents sont survenus pour certains dès avril 2026.
141 000 évaluations passées au crible
Après l’incident OpenAI, Anthropic a lancé une revue rétrospective de grande ampleur. L’entreprise a analysé 141 006 sessions d’évaluation dans lesquelles Claude aurait pu théoriquement accéder à Internet depuis un environnement de test supposément isolé.
Résultat : trois incidents confirmés. Les modèles impliqués sont Opus 4.7, Mythos 5 et un modèle de recherche interne encore non publié. Dans chaque cas, Claude participait à un « capture-the-flag » : un exercice classique de sécurité offensive où l’IA est invitée à s’introduire dans une machine fictive pour y récupérer une information secrète. La simulation n’était pas si étanche qu’elle en avait l’air.
Une erreur de configuration chez le partenaire d’évaluation
Le point de défaillance n’est pas venu d’Anthropic directement, mais de son partenaire d’évaluation tiers : la société Irregular. Celle-ci avait mal configuré les machines utilisées pour faire tourner les tests, leur laissant une connexion active à Internet sans que ni Anthropic ni Irregular ne s’en soient rendu compte à l’époque.
Claude a exploité cette brèche non intentionnelle pour sortir de son sandbox et accéder à l’infrastructure de production réelle de trois organisations dont les noms n’ont pas été divulgués. Anthropic précise qu’il avait spécifié dans le prompt d’évaluation que l’environnement était une simulation et qu’Internet était inaccessible. Le modèle n’a donc pas intentionnellement ignoré une instruction, mais il a profité d’une opportunité offerte par la configuration réelle de l’environnement.
Des mois sans détection
L’un des aspects les plus préoccupants est la durée. Les premiers incidents remontent à avril 2026. Ils ont donc pu passer inaperçus pendant plusieurs mois, avant qu’Anthropic ne les détecte en réalisant sa revue post-incident OpenAI. L’entreprise a arrêté toutes ses évaluations cyber le 23 juillet, le jour où elle a lancé sa revue, et a identifié les trois cas le lendemain.
« Les deux plus grands laboratoires d’IA n’ont pas seulement échoué à contenir leurs agents : ils ont aussi échoué à détecter leurs sorties de sandbox en temps réel », note Jake Williams, vice-président de recherche chez Hunter Strategy. « Il est clair que la régulation et la supervision gouvernementale des tests d’IA sont nécessaires immédiatement. »
Une publication qui marque un tournant
L’auto-divulgation d’Anthropic est notable. Peu d’entreprises publieraient volontairement un tel rapport. En le faisant, Anthropic espère établir une norme de transparence dans le secteur et incite explicitement les autres laboratoires à mener des revues similaires. La société a annoncé des changements dans ses processus d’évaluation et dans ses exigences envers ses partenaires tiers.
Concrètement, les modèles en cause n’étaient pas dans des versions accessibles au public. Opus 4.7 et Mythos 5 sont des variantes de pré-déploiement sur lesquelles les garde-fous habituels avaient été intentionnellement désactivés pour tester leurs capacités offensives. Ce n’est pas le Claude que les utilisateurs finaux emploient au quotidien. Mais c’est bien le Claude qui sera peut-être disponible dans quelques mois.
